利用空间上下文进行组织病理学图像表示学习中的正样本对采样
计算机视觉与模式识别
2026-03-12 v3
摘要
深度学习在从全切片图像（WSIs）进行癌症分类方面展现出巨大潜力，但对广泛专家标注的需求往往限制了其成功。无标注方法，如多实例学习（MIL）和自监督学习（SSL），已成为传统基于标注方法的替代方案。然而，传统的 SSL 方法通常依赖合成数据增强，这可能无法捕捉组织病理学中至关重要的空间结构。在本工作中，我们提出了一种空间上下文驱动的正样本对采样策略，通过利用 WSIs 中空间相邻切片的形态学一致性来增强 SSL。我们的方法是模块化的，并与现有的联合嵌入 SSL 框架（包括 Barlow Twins、BYOL、VICReg 和 DINOv2）兼容。我们在幻灯片级分类（使用 MIL）和切片级线性探测两个任务上评估了其有效性。在四个数据集上的实验表明，与标准增强采样相比，性能持续提升，准确率提高 5% 至 10%。这些发现凸显了空间上下文在改善计算病理学表示学习中的价值，并为在标注受限环境中的预训练模型提供了生物学意义上的增强。代码可在 https://anonymous.4open.science/r/contextual-pairs-E72F/ 获取。
引用
@article{arxiv.2503.05170,
title = {Leveraging Spatial Context for Positive Pair Sampling in Histopathology Image Representation Learning},
author = {Willmer Rafell Quinones Robles and Sakonporn Noree and Jongwoo Kim and Young Sin Ko and Bryan Wong and Mun Yong Yi},
journal= {arXiv preprint arXiv:2503.05170},
year = {2026}
}